BARKANNOTATOR: 수목을 판별하는 AI모델 = BARKANNOTATOR: An AI model to discriminate tree species|RISS 상세보기

국문 초록 (Abstract)

수피(Bark)는 계절적 변화에 영향을 받지 않아 연중 수목 동정이 가능한 중요한 형질이나, 종 내 변이가 심하고 종 간 시각적 유사성이 높아 육안 식별에 어려움이 따른다. 최근 딥러닝 기술을 활용한 자동 동정 연구가 활발히 진행되고 있으나, 기존 연구들은 대부분 프로그래밍 기반 구현 및 전문성이 요구되어 접근성이 제한적이다. 이에 본 연구는 GUI 기반 데이터 분석 도구인 Orange3를 활용하여 프로그래밍 기반 구현 없이도 재현 가능한 수종 판별 파이프라인을 구축하고, 이미지 전처리(Cropping) 유무에 따른 분류 파이프라인의 성능 변화와 그 원인을 탐색하였다.
본 연구에서는 대한민국 산림청 공개 데이터셋에 포함된 40종의 수피 이미지 60,743장을 활용하여 원본(Original) 이미지와 배경을 제거한 크롭(Cropped) 이미지 데이터셋을 각각 구성하였다. Orange3 환경에서 7종의 사전학습된 이미지 임베딩 모델과 7종의 머신러닝 알고리즘을 조합하여 최적의 분류 파이프라인을 탐색하고, 데이터 규모 및 신경망 구조에 따른 효율성을 검증하였다. 또한, 거리 행렬(Distance Matrix), 혼동 행렬(Confusion Matrix) 분석과 OpenCLIP을 활용한 생물학적 특성 분석을 통해 성능 변화의 원인을 정량적으로 평가하였다.
연구 결과, 원본 이미지 조건에서는 SqueezeNet 임베딩과 이중층(Double-layer, 300 nodes) 신경망의 조합이, 크롭 이미지 조건에서는 Painters 임베딩과 단일층(Single-layer, 300 nodes) 신경망의 조합이 최적 성능을 보인 조합으로 선정되었다. 특히, 배경을 제거한 크롭 이미지 조건에서 원본 대비 AUC 및 재현율(Recall)이 뚜렷하게 하락하는 현상이 관찰되었다. 혼동 행렬, 거리 행렬 및 효과 크기 분석 결과, 전처리 후 수종 판별력이 유의미하게 약화된 것으로 나타났으며, 이는 종 간 시각적 유사도 증가와 전반적인 오분류 심화로 이어진 것으로 해석된다. OpenCLIP 기반 분석은 이러한 성능 저하의 근본 원인이 Orange3 환경에서 사용된 사전학습 CNN 기반 임베딩 모델이 수피 고유 형질보다 배경 및 색상 정보에 과도하게 의존하는 '배경 의존성'에 기인했을 가능성이 높음을 시사한다. 이는 GUI 환경에서 모델의 접근성을 확보했음에도 불구하고, 사전학습 모델의 내재적 한계로 인해 도메인 특성을 반영한 전처리 과정이 모델의 학습 단서에 부정적인 영향을 미칠 수 있음을 나타낸다.
본 연구는 프로그래밍 기반 구현 없이도 Orange3 환경에서 분류 파이프라인을 구축하고 성능을 평가·검증할 수 있는 가능성을 성공적으로 시연하였으며, 나아가 모델 성능 저하에 대한 심도 있는 기술적·생물학적 분석 결과를 제공하였다는 데 의의가 있다. 본 연구는 딥러닝 모델의 '배경 의존성'과 '거시적 구조 정보'의 중요성을 확인하였으며 이러한 결과를 바탕으로 향후 수피 기반 분류 모델의 기술적 개선 방향을 제시하였다.

번역하기

수피(Bark)는 계절적 변화에 영향을 받지 않아 연중 수목 동정이 가능한 중요한 형질이나, 종 내 변이가 심하고 종 간 시각적 유사성이 높아 육안 식별에 어려움이 따른다. 최근 딥러닝 기술을...

목차 (Table of Contents)